node.js爬虫初探

我们经常会听说爬虫这个词语，但是却从来没有见过这个'虫子'，在我们日常生活中，每天使用的百度，谷歌，搜狗，360等搜索引擎的背后，都是无数的爬虫在支持，相信很多人都听过SEO，其实，SEO就是一门如何让爬虫更快更好的爬取到你的网站的技术，当然，如果你有钱，完全可以搞个竞价排名!

其实很多语言都能写爬虫，最著名的应该是Python，它是一门强大的语言，建议有精力的人学一学，以后大数据，深度学习肯定是大方向。当然，除了Python还有很多语言能写爬虫，比如今天我们要讲的Node.js。

简单的介绍一下Node.js，它可以在服务端运行js，做过前端开发的程序员肯定很熟悉，js是一门弱语言，但现在发展很迅速，茁长成长，在Nodejs出现以后，使得js不光能写前端的动态效果，交互效果，还能写web服务器，我们甚至能用Nodejs去打包桌面端程序，从此，前端工程师的触角向后延伸了一大块。

对于前端工程师来说有时候可能想爬取点简单的页面，那么Nodejs将是我们的好帮手，当然了，闲来无事的时候，你也可以爬取一点福利站之类的，你懂得：）

开发环境&工具

• Nodejs

• VS Code

Nodejs环境搭建

下载地址：https://nodejs.org/en/download/  

这个是node中文网http://nodejs.cn/download/

Windows和Mac直接下载安装包，双击打开安装就好了。

下面重点来说一下linux系统下的安装，主要原因是目前大多数服务器环境是Linux，如果我们将来将node的程序部署的服务器上，那这是很有用的。

Linux参照这个去安装，https://nodejs.org/en/download/package-manager/。这个网址有时候会上不了，我在这贴出几个常用的服务器系统的安装方式。

安装完成后后，可以执行node -v和npm -v确认是否安装成功。

Debian and Ubuntu 

curl -sL https://deb.nodesource.com/setup_8.x | sudo -E bash -sudo apt-get install -y nodejs

RHEL， CentOS or Fedora 

curl --silent --location https://rpm.nodesource.com/setup_8.x | sudo bash -sudo yum -y install nodejs

爬虫简介

话不多说，直奔主题，下面来讲解一下爬虫是啥。

说了半天，爬虫是什么呢?其实爬虫就是你，说的具体点，当你坐在电脑前面打开这篇博客，你就充当了一个爬虫的角色，那我们来分解一下你打开这篇博客的行为:

输入固定的网址---->点击回车---->看到这篇博文

"爬虫就是模拟人类打开网址，浏览内容的过程"。我们来分析一下整个过程，首先，你输入了网址，浏览器发起请求，服务器返回数据，浏览器渲染成你看到的页面（这个过程其实很复杂，不做过多介绍）。

从这里就可以看出，我们大致可将爬虫分为两个部分:

请求---->解析&数据处理

其实不然，一个完整的爬虫还需要有保存数据的能力，即

请求---->解析&处理数据---->保存处理好的数据

其实还能向下再去细分

请求---->解析&处理数据---->数据去重---->保存数据

今天我们以保存处理好的数据为例，让大家对爬虫有个初步的了解。

Node模块

对于爬虫，在node中我们可以使用这些模块去完成操作：

请求                     request模块 

解析&数据处理             cheerio模块 

保存数据                  fs模块

从0到1，开始代码

首先说一下，今天我们爬取的是花瓣美素网址http://www.meisupic.com/。里面有大量的图片供我们做设计使用.当我们拿到想要爬取的网址时，首先要分析这个网站的url。

http://www.meisupic.com/   这个网址相当与主站地址，下面的为分页地址
http://www.meisupic.com/topic.php?topic_id=5
http://www.meisupic.com/topic.php?topic_id=20
http://www.meisupic.com/topic.php?topic_id=1 

打开美素网的页面，F12查看，我们会发现其实有多种方法爬取这个网站。

• 第一种：我们可以看到其实每个url有大部分是相同的，只有结尾的id是不同的，那也就是说，我们只需要改变结尾的id数就能获取全部的url链接

• 第二种：我们不难发现，其实在这个a标签里是包含有我们链接的后半部分的，我们也可以在这个主站页面将所有的子站页面链接全部爬取出来.

下面列举了第二种方式的代码:

代码说明：

1. 在桌面上简历一个文件夹huaban           // 建议英文名，中英混合会报错
2. cd huaban            // cd到这个文件夹 这个应该都会!
3. npm init             // 初始化项目，如果不想更改，依次回车即可
4. touch app.js         // 创建一个app.js文件，这里可以手动新建，名字叫什么都行
5. mkdir data           // 新建data文件夹，用来存储csv文件，如果不新建，后期会报错
5. npm install request --save       // 安装request模块
6. npm install cheerio --save       // 安装cheerio模块
7. fs模块是node自带的不需要安装
8. 将文件夹在vscode里面打开，开始编写代码

以下是正式代码：

const request = require('request');
const cheerio = require('cheerio');
const fs = require('fs');
// 上面三行代码是导入我们所需的三个模块

// 主站地址
let Url = 'http://www.meisupic.com/topic.php'
// request 负责请求
request({url : Url}， function (err， res， body) {

    if (err) { 

       console.log(err)

   } else {

     /*

    cheerio模块负责html的解析，有兴趣的可以直接在上面打印body，这里只需要把   返回的body load进去就可以进行解析了.   cheerio的用法很简单，和JQuery一样，使用时只需要使用jq的语法就可以解析html了

     */

       let $ = cheerio.load(body)

       let href = $('.album_page .glide .slide dl a')
      /*

         简单的使用方法是 $('class名称')，只需要定位到网页中你需要的元素即可   上面的代码是将dl下所有的a标签全部选出来，放到一个叫href的数组里 

      */

      for(let i = 0; i<href.length;i++){                  //这里是对href这个数组做简单的循环简历

            let picUrl = href[1].attribs.href               //这里是选出a标签中的href属性            

            let reUrl ='http://www.meisupic.com/' +picUrl   //你可以在这里将picUrl打印出来，它并不是完整的url，所以我们要做拼接

       /*  
         此处做了简单的header伪装，但header伪装还有很多参数我没有写上，比如说有些网址是有防盗链的，那我们就要伪造一个referer来破解防盗链 

       */    

             request({

                url:reUrl，                

                method: 'GET'，                

                headers: {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML， like Gecko) Chrome/51.0.2704.106 Safari/537.36'}

            }， function (err， response， body) {

                                          let $ = cheerio.load(body)                

                                          let pichref = $('.imgList .imgItem a img')                

                                          let picname = $('.ui_cover dl')                

                                          for(let j=0;j<pichref.length;j++){                   

                                               let downpichref = pichref[j].attribs['data-original']                   

                                               let downpicname = picname[j].attribs.title                   

                                               save(downpicname， downpichref)
                                             /*  以下代码是调用下载程序的，不建议调用，会给网站造成很多流量浪费. 

                                              downloadImg(downpichref， downpicname， function () {

                                                        console.log(downpicname + 'upload 完成');                }); 

                                             */

                }

            }) 

        }

    } })

           /*   

          下面的代码是使用fs去保存文本，我并没有真正的去下载这些图片，   考虑到版权以及下载图片会增加花瓣网站的流量，   我只是简单的将链接保存在了一个csv文件里   还可以使用mongoose链接上mongoDB，存数据库里.   那如果我们要下载要怎么写呢?可以用pipe通道，或者是使用专用的下载模块去下载，   毕竟node的模块这么多 

          */

         let k = 0function save(x， y) {

            let line;    

            name = x;    

            src = y;    

            line = `${name.replace(/\n/g， '')}，${src}`;

            fs.appendFile('./data/url.csv'， `${line}\n`， 'utf8'， (err) => {

                  if (err) {

                     console.log(err)

                 } else { 

                  console.log('已成功爬取'+ k + '条')

                  k = k + 1

        }    }); }

/*   

此处为保存url的代码，只需要在上面的函数中调用就可以了 

*/

   function downloadImg(url， filename， callback) {

    var stream = fs.createWriteStream('./images/' + filename);

    request({url:url}).on('error'，function(){

        console.log('done no');

    }).pipe(stream).on('close'， callback);

   }

本文参考文献如下:

• 讲解request的文章: http://blog.csdn.net/sbt0198/article/details/66479510

• cheerio中文api： https://cnodejs.org/topic/5203a71844e76d216a727d2e

• 讲解fs的文章： http://www.jianshu.com/p/5683c8a93511